G検定 大項目2 人工知能をめぐる動向 予想問題（2/2）

この事例では「円盤の大小制約を持つ代表的なトイ・プロブレムか」を確認すると、ハノイの塔に絞れる。探索や再帰の考え方を説明する際には、複雑な現実の問題ではなく単純化された題材（トイ・プロブレム）がよく使われる。ハノイの塔が正解となるのは、大きさの異なる円盤を3本の棒の間で移し、より大きな円盤を小さな円盤の上に置かないという制約のもとで全円盤を移す手順を求めるという、具体的な問題設定を持つ代表的なトイ・プロブレムである点にある。判断の軸は、円盤・棒・大小制約という設定を持つ題材そのものか、それとも別の対話システム・プランニング手法・表現形式を指す語かである。SHRDLUは積み木の世界で指示文を解釈して操作する対話システム、STRIPSは前提条件と効果を記述するプランニング手法、探索木は候補となる状態や手順を木構造で表したものであり、いずれも円盤を移動させる制約付きの問題そのものではない。

https://www.jdla.org/certificate/general/

この事例では「モデルへ渡す観測項目が予測の手掛かりか」を確認すると、特徴量に絞れる。正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。

https://www.jdla.org/certificate/general/

この事例では「言葉の出現に関する統計的性質を利用するか」を確認すると、統計的自然言語処理に絞れる。大量の文章データから統計的な規則性を取り出して言語処理に活かす流れを指すのが、正解の「統計的自然言語処理」である。単語の出現頻度や共起といった統計的な規則性を、言語の解析や予測に利用する研究の流れを表す語であることが、設問文の記述と直接対応する。イライザ（ELIZA）は統計的な規則性ではなく入力文のパターンにあらかじめ定めた応答を対応させる仕組みであり、意味ネットワークは概念と関係を構造として表す知識表現の方法であって、どちらも大量データの統計的規則性を利用する手法の流れそのものを指す語ではない。生成AIは文章や画像などを新たに作り出すAI全般を指す現在の総称であり、統計的自然言語処理という技術発展の歴史的な流れそのものを指す語ではない点で、設問の条件とはかみ合わない。

https://www.jdla.org/certificate/general/

この事例では「自分と相手の評価値を最大化・最小化して読むか」を確認すると、Mini-Max法に絞れる。正解は「Mini-Max法」である。Mini-Max法は、二人零和ゲームで自分は評価値を最大化し、相手は評価値を最小化する行動を選ぶと仮定し、双方が最善を尽くした場合の結果から現在の手を決める考え方である。αβ法はMini-Max法の結果を変えない枝を探索途中で刈り込み、計算量を減らすための手法であり、評価方針そのものではない。モンテカルロ法はランダムな試行を繰り返した統計から手を評価する。幅優先探索は同じ深さのノードを順に展開する一般的な探索順序である。最大化側と最小化側を交互に置く点が決め手になる。

https://www.jdla.org/certificate/general/

この事例では「円盤移動の制約を持つ古典的探索課題か」を確認すると、ハノイの塔に絞れる。探索や再帰の考え方を説明する際には、複雑な現実の問題ではなく単純化された題材（トイ・プロブレム）がよく使われる。ハノイの塔が正解となるのは、大きさの異なる円盤を3本の棒の間で移し、より大きな円盤を小さな円盤の上に置かないという制約のもとで全円盤を移す手順を求めるという、具体的な問題設定を持つ代表的なトイ・プロブレムである点にある。判断の軸は、円盤・棒・大小制約という設定を持つ題材そのものか、それとも別の対話システム・プランニング手法・表現形式を指す語かである。SHRDLUは積み木の世界で指示文を解釈して操作する対話システム、STRIPSは前提条件と効果を記述するプランニング手法、探索木は候補となる状態や手順を木構造で表したものであり、いずれも円盤を移動させる制約付きの問題そのものではない。

https://www.jdla.org/certificate/general/

この事例では「目的変数を予測するための入力変数か」を確認すると、特徴量に絞れる。正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。

https://www.jdla.org/certificate/general/

この事例では「自然言語を統計量に基づいて処理するか」を確認すると、統計的自然言語処理に絞れる。大量の文章データから統計的な規則性を取り出して言語処理に活かす流れを指すのが、正解の「統計的自然言語処理」である。単語の出現頻度や共起といった統計的な規則性を、言語の解析や予測に利用する研究の流れを表す語であることが、設問文の記述と直接対応する。イライザ（ELIZA）は統計的な規則性ではなく入力文のパターンにあらかじめ定めた応答を対応させる仕組みであり、意味ネットワークは概念と関係を構造として表す知識表現の方法であって、どちらも大量データの統計的規則性を利用する手法の流れそのものを指す語ではない。生成AIは文章や画像などを新たに作り出すAI全般を指す現在の総称であり、統計的自然言語処理という技術発展の歴史的な流れそのものを指す語ではない点で、設問の条件とはかみ合わない。

https://www.jdla.org/certificate/general/

この事例では「相手も最善を尽くす前提でゲーム木を評価するか」を確認すると、Mini-Max法に絞れる。正解は「Mini-Max法」である。Mini-Max法は、二人零和ゲームで自分は評価値を最大化し、相手は評価値を最小化する行動を選ぶと仮定し、双方が最善を尽くした場合の結果から現在の手を決める考え方である。αβ法はMini-Max法の結果を変えない枝を探索途中で刈り込み、計算量を減らすための手法であり、評価方針そのものではない。モンテカルロ法はランダムな試行を繰り返した統計から手を評価する。幅優先探索は同じ深さのノードを順に展開する一般的な探索順序である。最大化側と最小化側を交互に置く点が決め手になる。

https://www.jdla.org/certificate/general/

この事例では「再帰的な手順で解く円盤移動問題か」を確認すると、ハノイの塔に絞れる。探索や再帰の考え方を説明する際には、複雑な現実の問題ではなく単純化された題材（トイ・プロブレム）がよく使われる。ハノイの塔が正解となるのは、大きさの異なる円盤を3本の棒の間で移し、より大きな円盤を小さな円盤の上に置かないという制約のもとで全円盤を移す手順を求めるという、具体的な問題設定を持つ代表的なトイ・プロブレムである点にある。判断の軸は、円盤・棒・大小制約という設定を持つ題材そのものか、それとも別の対話システム・プランニング手法・表現形式を指す語かである。SHRDLUは積み木の世界で指示文を解釈して操作する対話システム、STRIPSは前提条件と効果を記述するプランニング手法、探索木は候補となる状態や手順を木構造で表したものであり、いずれも円盤を移動させる制約付きの問題そのものではない。

https://www.jdla.org/certificate/general/

この事例では「学習と予測に用いる入力側の属性か」を確認すると、特徴量に絞れる。正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。

https://www.jdla.org/certificate/general/

正解はLeNet。LeNetは1988年から1998年にかけてAT&Tベル研究所の研究グループがヤン・ルカン（Yann LeCun）を中心に開発した畳み込みニューラルネットワークで、手書き数字・文字の認識向けに設計された。代表形のLeNet-5は畳み込み層とサブサンプリング層を交互に重ねた構成を持ち、現代のCNNアーキテクチャの直接の出発点となったとされる。ネオコグニトロンは福島邦彦が1979年に提唱した、視覚野の単純細胞・複雑細胞の働きを模したS細胞・C細胞の階層構造を持つ多層のパターン認識モデルであり、現代のCNNに大きな影響を与えた先駆けとされるが、LeNetより早い時期に生物学的な着想から提案されたモデルであって、AT&Tベル研究所がヤン・ルカンを中心に開発した直接のアーキテクチャそのものではない。AlexNetとResNetはいずれも画像認識分野で知られる後発の畳み込みニューラルネットワークだが、1988年から1998年にAT&Tベル研究所の研究グループがヤン・ルカンを中心に開発したモデルではなく、問題文の条件には一致しない。問題文の「1988年から1998年」「AT&Tベル研究所」「ヤン・ルカン」「畳み込み層とサブサンプリング層を交互に重ねる」という条件に一致するのはLeNetだけである。

https://en.wikipedia.org/wiki/LeNet ／ https://ja.wikipedia.org/wiki/ネオコグニトロン

正解は「アルファ碁（AlphaGo）は、Lee Sedolとの五番勝負において1勝4敗で敗北した」（誤り）である。アルファ碁（AlphaGo）はGoogle DeepMindが開発した囲碁AIであり、2016年3月に韓国ソウルでLee Sedolとの五番勝負を行い、4勝1敗で勝利した。したがって「1勝4敗で敗北した」という記述は勝敗の結果を取り違えており、事実に反する。開発元がGoogle DeepMindであるという記述、2016年3月に韓国ソウルでLee Sedolと対局したという記述、五番勝負において4勝1敗で勝利したという記述はいずれも正しく、誤りには当たらない。設問は4つの記述のうち「誤っているもの」を問うており、勝敗の結果が事実と逆に述べられた記述を選ぶ必要がある。

https://deepmind.google/research/highlighted-research/alphago/the-challenge-match